Oct, 2017

RADNET: 基于深度学习的 CT 扫描出血检测，达到放射科医师水平的准确性

PDF
TL;DR文章使用 RADnet 模型进行自动化脑出血检测，与三位资深放射科医师所作的独立分析相比，RADnet 在 CT 水平上展现了相当的出血预测准确性，并且在召回方面高于两位医师，实现了 3D 上下文的加入，检测性能非常优越。
deep learningbrain hemorrhagecomputed tomographyradnetautomated detection
发现论文，激发创造
  • 利用深度学习识别脑 CT 图像上的出血和梗死病灶

    通过深度学习算法识别头部非对比增强 CT 扫描中的颅内出血和梗死，为日常医疗工作流程引入广泛的医疗设施提供了潜力和限制。

    Jul, 2023

  • 颅内出血检测的成本敏感主动学习

    本文提出一种用于头部 CT 扫描中颅内出血检测和分割的代价敏感主动学习系统，采用的集成方法性能优于先前研究的现有最先进方法，并使用相对较大的数据集，并对标记时间进行建模并优化投资回报率。

    Sep, 2018

  • 基于初始 CT 扫描的深度学习模型增强颅内出血患者死亡率预测

    使用基于卷积神经网络的算法通过处理初始 CT 扫描图像，能够以高准确度预测蛛网膜下腔出血患者的死亡率。

    Aug, 2023

  • 基于深度卷积模型的颅内出血分割

    本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。

    Oct, 2019

  • 出血性中风分割和出血体积估计的自动串联模型

    基于 UNet 构建了一个级联的三维模型，从粗到细对 CT 图像中的出血区域进行两阶段分割，并自动计算出出血体积，与传统的 Tada 公式相比，该模型在 341 例出血性中风 CT 扫描中提供了高质量的分割结果（DSC 85.66%）和更好的计算效率（每个样本 6.2 秒）。

    Jan, 2024

  • 头颅 CT 扫描关键结果检测深度学习算法的开发与验证

    本研究开发和验证了一组深度学习算法，用于自动检测无对比剂头颅 CT 扫描的关键发现：颅内出血（ICH）及其类型，脑内实质（IPH），脑室内（IVH），硬膜下（SDH），硬脑膜外 (EDH) 和蛛网膜下 (SAH)，骨盖骨折，中线移位和占位效应，AUCs 测评结果显示算法的识别准确率达到了很高的水平。

    Mar, 2018

  • RA-UNet：一种用于提取 CT 扫描中肝脏和肿瘤的混合深度关注网络

    提出了一种名为 RA-UNet 的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

    Nov, 2018

  • 全关注 U-NET 用于头部 CT 图像中颅内出血的语义分割

    本文提出了一种全注意力 U-Net 模型，通过使用通道注意力和空间通道注意力在 U-Net 编码器和解码器的不同侧面，实现了对头部 CT 扫描中颅内出血类型的准确形状提取和分类，模拟结果显示相比基线（ResNet50 + U-Net），改进了 31.8％，并在注意力有限的情况下取得了更好的性能。

    Dec, 2023

  • 利用神经注意模型对放射学报告进行分类

    本文提出了一种新颖的神经注意机制，采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告，并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词，证明该模型在医学决策等方面具有应用价值。

    Aug, 2017

  • 用于 CT 成像的肺结节检测的循环卷积网络

    本文提出了一种利用深度人工神经网络构建的 ReCTnet，旨在全自动检测 CT 扫描中的肺结节，并通过具备表达力的图像表示方法，利用锥体和重复层之间的精细结构、三维概率地图和增强型灵敏度，达到 90.5% 的识别灵敏度和 4.5 个无关假阳性的优秀成果，该方法比现有的多通道卷积神经网络更有效。

    Sep, 2016